CN113191533A - 仓库用工预测方法、装置、设备及存储介质 - Google Patents
仓库用工预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113191533A CN113191533A CN202110393291.5A CN202110393291A CN113191533A CN 113191533 A CN113191533 A CN 113191533A CN 202110393291 A CN202110393291 A CN 202110393291A CN 113191533 A CN113191533 A CN 113191533A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- employment
- workers
- time period
- personnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流配送领域,公开了一种仓库用工预测方法、装置、设备以及存储介质,该方法包括:实时接收用工预测请求,从数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;根据历史订单数据,预测目标时间段的订单需求量;根据订单需求量、用工配置预测信息和用工数据,计算实际用工需求;根据实际用工需求和预配置人员,计算目标时间段的缺口人数;根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。通过本方法能够对目标时间段所需要的工作人员进行预测,便于人员安排,保证仓库工作的顺利进行。
Description
技术领域
本发明涉及物流配送领域,尤其涉及一种仓库用工预测方法、装置、设备及存储介质。
背景技术
随着经济的快速发展和互联网的普及,尤其是电子商务的兴起,改变了人们传统的消费方式,人们的需求也日益增多,从而带动了快递业的发展,大量的物流公司兴起,快递业的发展缩短了人与人之间的距离,给人们的生活带来了极大的便利。
由于物流公司的交易量大,周期短,所以一般的物流中心都会设立大型的仓库用于货物的周转和存储。在不同的时间段,在仓库中用工需求差异较大,在不同的时间段内无法预知当前的实际用工需求,无法在适当的时间进行人员调度,导致无法顺利的完成物流配送任务。
发明内容
本申请的主要目的是解决现有的人员调度方法无法对实际用工需求进行预测的技术问题。
本发明第一方面提供了一种仓库用工预测方法,包括:
实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;根据所述历史订单数据,预测所述目标时间段的订单需求量;根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
可选的,在本发明第一方面的第一种实现方式中,所述根据所述历史订单数据,预测所述目标时间段的订单需求量包括:根据所述历史订单数据和所述历史订单数据对应的时间长度,计算日均处理订单量;根据所述日均处理订单量和所述目标时间段的时间长度,计算所述目标时间段的基础订单量;判断所述目标时间段是否为预设的活动时间;若是,则根据所述基础订单量和预设的加权系数计算所述目标时间段的订单需求量;若否,则将所述基础订单量作为所述目标时间段的订单需求量。
可选的,在本发明第一方面的第二种实现方式中,所述根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求包括:根据所述用工数据计算各仓库工作人员的人员系数;根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
可选的,在本发明第一方面的第三种实现方式中,所述用工数据包括员工年龄、历史用工工时、处理订单数量和岗位等级系数;所述根据所述用工数据计算各仓库工作人员的人员系数包括:将所述员工年龄乘以所述历史用工工时,得到人员经验系数;将所述处理订单数量除以所述历史用工工时,得到人员能效系数;将所述人员经验系数乘以所述人员能效系数得到人员综合系数;将所述人员经验系数、所述人员能效系数、所述人员综合系数和所述岗位等级系数作为对应的仓库工作人员的人员系数。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级包括:根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心,其中,K为大于2的整数;根据所述聚类中心对应的仓库工作人员的人员系数,对所述聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;根据所述工作优先级,对所述聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级。
可选的,在本发明第一方面的第五种实现方式中,所述根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心包括:设定聚类个数为K个,并从所有仓库工作人员的人员系数中随机选取K个人员系数作为初始聚类中心;分别计算所有仓库工作人员的人员系数到每一个初始聚类中心的余弦距离;将与初始聚类中心的余弦距离在预设阈值内的人员系数划分为同一类别,得到第一聚类结果;计算所述类别中人员系数的均值向量,并根据所述均值向量重新选择当前聚类中心,以及计算所述当前聚类中心与对应的初始聚类中心的余弦距离;若所述当前聚类中心与对应的初始聚类中心的余弦距离小于或等于预设阈值,则将所述第一聚类结果输出;若所述当前聚类中心与对应的初始聚类中心的余弦距离大于预设阈值,则以当前聚类中心进行重新聚类,直到当前聚类中心与上一聚类中心的余弦距离小于或等于预设阈值,得到第二聚类结果。
可选的,在本发明第一方面的第六种实现方式中,其特征在于,所述根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求包括:根据所有所述仓库工作人员的人员能效系数和所有仓库工作人员的人数,计算人均能效系数;根据所述人均能效系数和所述订单需求量,计算所述目标时间段所需的仓库工作人员;根据各工作优先级的仓库工作人员的人数和所述目标时间段所需的仓库工作人员确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
本发明第二方面提供了一种仓库用工预测装置,包括:
获取模块,用于实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;
订单预测模块,用于根据所述历史订单数据,预测所述目标时间段的订单需求量;
第一计算模块,用于根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;
第二计算模块,用于根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
筛选模块,用于根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
可选的,在本发明第二方面的第一种实现方式中,所述订单预测模块用于:根据所述历史订单数据和所述历史订单数据对应的时间长度,计算日均处理订单量;根据所述日均处理订单量和所述目标时间段的时间长度,计算所述目标时间段的基础订单量;判断所述目标时间段是否为预设的活动时间;若是,则根据所述基础订单量和预设的加权系数计算所述目标时间段的订单需求量;若否,则将所述基础订单量作为所述目标时间段的订单需求量。
可选的,在本发明第二方面的第二种实现方式中,所述第一计算模块包括:系数计算单元,用于根据所述用工数据计算各仓库工作人员的人员系数;优先级分类单元,用于根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;需求确定单元,用于根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
可选的,在本发明第二方面的第三种实现方式中,所述用工数据包括员工年龄、历史用工工时、处理订单数量和岗位等级系数;所述系数计算单元具体用于:将所述员工年龄乘以所述历史用工工时,得到人员经验系数;将所述处理订单数量除以所述历史用工工时,得到人员能效系数;将所述人员经验系数乘以所述人员能效系数得到人员综合系数;将所述人员经验系数、所述人员能效系数、所述人员综合系数和所述岗位等级系数作为对应的仓库工作人员的人员系数。
可选的,在本发明第二方面的第四种实现方式中,所述优先级分类单元具体用于:根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心,其中,K为大于2的整数;根据所述聚类中心对应的仓库工作人员的人员系数,对所述聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;根据所述工作优先级,对所述聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级。
可选的,在本发明第二方面的第五种实现方式中,所述优先级分类单元具体还用于:设定聚类个数为K个,并从所有仓库工作人员的人员系数中随机选取K个人员系数作为初始聚类中心;分别计算所有仓库工作人员的人员系数到每一个初始聚类中心的余弦距离;将与初始聚类中心的余弦距离在预设阈值内的人员系数划分为同一类别,得到第一聚类结果;计算所述类别中人员系数的均值向量,并根据所述均值向量重新选择当前聚类中心,以及计算所述当前聚类中心与对应的初始聚类中心的余弦距离;若所述当前聚类中心与对应的初始聚类中心的余弦距离小于或等于预设阈值,则将所述第一聚类结果输出;若所述当前聚类中心与对应的初始聚类中心的余弦距离大于预设阈值,则以当前聚类中心进行重新聚类,直到当前聚类中心与上一聚类中心的余弦距离小于或等于预设阈值,得到第二聚类结果。
可选的,在本发明第二方面的第六种实现方式中,所述需求确定单元具体用于:根据所有所述仓库工作人员的人员能效系数和所有仓库工作人员的人数,计算人均能效系数;根据所述人均能效系数和所述订单需求量,计算所述目标时间段所需的仓库工作人员;根据各工作优先级的仓库工作人员的人数和所述目标时间段所需的仓库工作人员确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
本发明第三方面提供了一种仓库用工预测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述仓库用工预测设备执行上述的仓库用工预测方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的仓库用工预测方法的步骤。
本发明的技术方案中,通过实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;根据所述历史订单数据,预测所述目标时间段的订单需求量;根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。通过本方案,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
附图说明
图1为本发明实施例提供的仓库用工预测方法的第一个实施例示意图;
图2为本发明实施例提供的仓库用工预测方法的第二个实施例示意图;
图3为本发明实施例提供的仓库用工预测方法的第三个实施例示意图;
图4为本发明实施例提供的仓库用工预测方法的第四个实施例示意图;
图5为本发明实施例提供的仓库用工预测方法的第五个实施例示意图;
图6为本发明实施例提供的仓库用工预测装置的一个实施例示意图;
图7为本发明实施例提供的仓库用工预测装置的另一个实施例示意图;
图8为本发明实施例提供的仓库用工预测设备的一个实施例示意图。
具体实施方式
本发明的技术方案中,通过实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;根据所述历史订单数据,预测所述目标时间段的订单需求量;根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。通过本方案,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例提供的仓库用工预测方法的第一个实施例包括:
101、实时接收用工预测请求,并根据用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;
可以理解的是,本发明的执行主体可以为仓库用工预测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中,在使用用工数据之前,需在在仓库工作人员输入用工数据后进行数据的格式校验,例如判断历史用工工时是否为数字,判断员工年龄是否为整数等,同时根据用工数据的不同类型,还可以设置不同的校验规则,本发明不做限定。
在本实施例中,管理人员可以根据需求判断是否需要进行人员调度,例如当判断目标时间段的仓库中的订单量较少时,仓库中的用工资源足够,可以不进行人员调度,当判断目标时间段的仓库中的订单量较多是,仓库中的用工资源不足,可以向系统发送人员调度信息,进行仓库工作人员的临时调度。
在本实施例中,预设有数据库对用工配置预测信息和用工数据进行存储,其中用工配置预测信息由管理人员进行输入,用工数据主要通过定义EXCEL模板文件,由各仓库用工人员对模板文件进行填写,用工人员在系统外进行填写无误后,将模板文件中的数据导入到数据库中。
在本实施例中,历史订单数据用于对目标时间段内的订单量进行预测,主要包括目标时间段之前的所有订单数据,服务器在每单位时间段将处理的订单存储,并对历史订单数据进行更新,用工配置预测信息主要包括对目标时间段设定的成本信息、预算信息和预配置人员,用工数据主要包括人员编号、人员姓名、年龄、历史用工工时、处理订单数量和岗位等级系数等,管理人员可以根据需要进行用工数据类型的增加或删减,本发明不做限定。
102、根据历史订单数据,预测目标时间段的订单需求量;
在本实施例中,用工预测配置信息包括用历史订单数据,根据历史订单数据对目标时间段的订单需求进行估算,例如可以简单的将当前时间段的订单数量作为目标时间段的订单需求量,也可以将当前时间段以及当前时间段之前的所有历史订单数据进行整合,并获取对应的时间,进行日均订单量的计算,将日均订单量作为目标时间段的订单需求量,若目标时间段是在活动大促期间,将历史时间段中的活动大促时间作为参考推测订单需求。
103、根据订单需求量、用工配置预测信息和用工数据,计算实际用工需求;
在本实施例中,用工数据主要包括人员编号、人员姓名、年龄、历史用工工时、处理订单数量和岗位等级系数,通过计算人员系数,对所有仓库工作人员进行综合系数的评定,通过用工数据计算得到人员经验系数、人员能效系数、人员综合系数和岗位等级系数作为人员系数,并将人员系数按照顺序生成对应的向量序列,例如计算得到的人员经验系数为a,人员能效系数b,人员综合系数为c,岗位等级系数为d,则得到的向量序列为[a,b,c,d],生成向量序列的主要是为了后续通过K均值聚类算法对所有的仓库工作人员进行优先级分级。
在本实施例中,集成了K均值聚类算法,本实施例中将K均值聚类算法中的K设定为3,通过该算法,对补员优先级指数分为A,B,C三个档次,通过这三个档次确定其需求程度,通过分析业务现状,按照一定的算法,自动完成补员优先级的确立,并且可以根据实际情况,完成局部专业优先级的手工调整,以便适应业务需要,在将员工的优先级分配完后,将优先级保存到数据库。
在实际应用中,K均值聚类算法首先随机从数据集中选取K个点作为初始聚类中心,然后计算各个样本到聚类中的距离,把样本归到离它最近的那个聚类中心所在的类。为了将预测分析算法更切合实际管理,该研究引入了该算法,但如何提升该算法与业务管理的切合度,是我们面临的重要问题。从算法的角度,通过循环迭代算法,首先随机从数据集中选取K个点作为初始聚类中心,按照算法计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心,如果相邻两次的聚类中心没有任何变化,说明样本调整结束,聚类准则函数已经收敛。本算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确。若不正确,就要调整,在全部样本调整完后,再修改聚类中心,进入下一次迭代。
在本实施例中,通过聚类中心的仓库工作人员的人员系数,对各优先级的仓库工作人员的能效进行判定,并通过订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
104、根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
在实际应用中,实际用工需求为各优先级的仓库工作人员所需要的人数,而用户预测配置信息中预先配置了预配置人员,预配置人员为管理人员日常配置的仓库工作人员,将实际用工需求中各优先级的仓库工作人员所需要的人数减去预配置人员中各优先级的仓库工作人员的人数,即可得到缺口人数。
105、根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。
在本实施例中,在对所有仓库工作人员进行等级划分后通过订单需求量确定需要的仓库工作人员数量,并通过配置预测信息中的成本信息和预算信息从各工作优先级中对仓库工作人员进行筛选,筛选出计算出的仓库工作人员数量的仓库工作人员,得到用工预测信息,并根据目标时间段的项目名称、人数、能力系数、配置率、缺口人数,以及筛选出来的仓库工作人员的人员姓名、人员编号生成二维表,根据二维表进行人员调度,该二维表可以在系统中直接打印,也可由用户导出到EXCEL文件中。
在本实施例中,通过实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;根据所述历史订单数据,预测所述目标时间段的订单需求量;根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。通过本方案,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
请参阅图2,本发明实施例提供的仓库用工预测方法的第二个实施例包括:
201、实时接收用工预测请求,并根据用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;
202、根据历史订单数据和历史订单数据对应的时间长度,计算日均处理订单量;
203、根据日均处理订单量和目标时间段的时间长度,计算目标时间段的基础订单量;
在本实施例中,可以设置目标时间段的持续时间,例如对于某些电商活动,可能会持续较长时间,则将日均处理订单量与目标时间段的天数相乘,即可得出目标时间段的基础订单量。
204、判断目标时间段是否为预设的活动时间;
205、若是,则根据基础订单量和预设的加权系数计算目标时间段的订单需求量;
206、若否,则将基础订单量作为目标时间段的订单需求量;
在本实施例中,可以根据目标时间段是普通时间或是活动大促进行订单需求的区别计算,当是普通时间时,根据基础订单量即可推测出接下来一天的处理订单量,当活动大促时,可以根据实际设定加权系数,与基础订单量计算订单需求。
207、根据订单需求量、用工配置预测信息和用工数据,计算实际用工需求;
208、根据实际用工需求和预配置人员,计算目标时间段的缺口人数;
209、根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。
本实施例在上一实施例的基础上,详细描述了根据所述历史订单数据,预测所述目标时间段的订单需求量的过程,通过根据所述历史订单数据和所述历史订单数据对应的时间长度,计算日均处理订单量;根据所述日均处理订单量和所述目标时间段的时间长度,计算所述目标时间段的基础订单量;判断所述目标时间段是否为预设的活动时间;若是,则根据所述基础订单量和预设的加权系数计算所述目标时间段的订单需求量;若否,则将所述基础订单量作为所述目标时间段的订单需求量。通过本方法,能够对目标时间段的订单需求进行预测,根据订单需求和仓库工作人员的能效即可对用工需求进行预测。
请参阅图3,本发明实施例提供的仓库用工预测方法的第三个实施例包括:
301、实时接收用工预测请求,并根据用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;
302、根据历史订单数据,预测目标时间段的订单需求量;
303、将员工年龄乘以历史用工工时,得到人员经验系数;
304、将处理订单数量除以历史用工工时,得到人员能效系数;
305、将处理订单数量除以历史用工工时,得到人员能效系数;
306、将人员经验系数乘以人员能效系数得到人员综合系数;
307、将人员经验系数、人员能效系数、人员综合系数和岗位等级系数作为对应的仓库工作人员的人员系数;
在本实施例中,事先通过对仓库工作人员的人员系数进行定义,本实施例中将人员系数定义为人员经验系数、人员能效系数、人员综合系数和岗位等级系数,其中人员经验系数主要是评定仓库工作人员的工作经验,通过仓库工作人员的年龄和历史工作工时进行计算,人员能效系数主要是评定仓库工作人员的工作效率,通过仓库工作人员的工作时长和处理的工作量计算进行计算得到,人员综合系数通过人员经验系数和人员能效系数计算得到。
在本实施例中,在计算得到各项人员系数后,将人员系数按照顺序生成对应的向量序列,例如计算得到的人员经验系数为a,人员能效系数b,人员综合系数为c,岗位等级系数为d,则得到的向量序列为[a,b,c,d],生成向量序列的主要是为了后续通过优先级分类算法对所有的仓库工作人员进行优先级分级。
308、根据人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;
309、根据订单需求量确定目标时间段需要的各工作优先级的仓库工作人员人数,得到目标时间段的实际用工需求;
310、根据实际用工需求和预配置人员,计算目标时间段的缺口人数;
311、根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。
本实施例在前实施例的基础上,详细描述了根据所述用工数据计算各仓库工作人员的人员系数的过程,通过将所述员工年龄乘以所述历史用工工时,得到人员经验系数;将所述处理订单数量除以所述历史用工工时,得到人员能效系数;将所述人员经验系数乘以所述人员能效系数得到人员综合系数;将所述人员经验系数、所述人员能效系数、所述人员综合系数和所述岗位等级系数作为对应的仓库工作人员的人员系数。通过本方法,对仓库工作人员进行能力、经验等多方面进行评测,得到的人员系数便于后续对各仓库工作人员进行优先级分级。
请参阅图4,本发明实施例中仓库用工预测方法的第四个实施例包括:
401、实时接收用工预测请求,并根据用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;
402、根据历史订单数据,预测目标时间段的订单需求量;
403、根据用工数据计算各仓库工作人员的人员系数;
404、设定聚类个数为K个,并从所有仓库工作人员的人员系数中随机选取K个人员系数作为初始聚类中心;
在本实施例中,通过K-means算法进行聚类,K-means聚类算法主要是通过确定k个聚类核心,其中,k可以认为进行选择,计算数据中每个数据与每一个聚类核心的距离(如欧式距离、余弦距离),离哪个聚类核心近,就划分到那个聚类核心所属的集合,划分好k个集合之后重新计算每个集合的聚类核心,如果新计算出来的聚类核心和原来的聚类核心之间的距离小于某一个设置的阈值可以认为聚类已经达到期望的结果,算法终止,如果新聚类核心和原聚类核心距离变化很大,则重复聚类,直到收敛为止,此外,还能够使用标签传播算法和最小熵算法进行聚类,本发明不做限定。
405、分别计算所有仓库工作人员的人员系数到每一个初始聚类中心的余弦距离;
406、将与初始聚类中心的余弦距离在预设阈值内的人员系数划分为同一类别,得到第一聚类结果;
407、计算类别中人员系数的均值向量,并根据均值向量重新选择当前聚类中心,以及计算当前聚类中心与对应的初始聚类中心的余弦距离;
408、若当前聚类中心与对应的初始聚类中心的余弦距离小于或等于预设阈值,则将第一聚类结果输出;
409、若当前聚类中心与对应的初始聚类中心的余弦距离大于预设阈值,则以当前聚类中心进行重新聚类,直到当前聚类中心与上一聚类中心的余弦距离小于或等于预设阈值,得到第二聚类结果;
在本实施例中,主要通过计算每个两个仓库工作人员两两之间的余弦距离,在本实施例中,余弦距离是用来衡量两个数据样本之间的相似度,余弦值越接近于1,说明这两个人员系数的含义越相似,可以划分为同一工作优先级。
410、根据聚类结果中的聚类中心对应的仓库工作人员的人员系数,对聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;
411、根据工作优先级,对聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级;
412、根据订单需求量确定目标时间段需要的各工作优先级的仓库工作人员人数,得到目标时间段的实际用工需求;
413、根据实际用工需求和预配置人员,计算目标时间段的缺口人数;
414、根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。
本实施例在前实施例的基础上,详细描述了根据人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级的过程,根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及类别对应的聚类中心;根据聚类中心对应的仓库工作人员的人员系数,对聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;根据工作优先级,对聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级。通过本方法,能够为所有仓库工作人员的优先级进行划分,便于后续通过工作优先级以及订单需要进行用工预测。
请参阅图5,本发明实施例提供的仓库用工预测方法的第五个实施例包括:
501、实时接收用工预测请求,并根据用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,用工预测请求包括待预测的目标时间段,用工配置预测信息包括预配置人员;
502、根据历史订单数据,预测目标时间段的订单需求量;
503、根据用工数据计算各仓库工作人员的人员系数;
504、根据人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;
505、根据所有仓库工作人员的人员系数中的人员能效系数和所有仓库工作人员的人数,计算人均能效系数;
506、根据人均能效系数和订单需求量,计算目标时间段所需的仓库工作人员;
507、根据各工作优先级的仓库工作人员的人数和目标时间段所需的仓库工作人员确定目标时间段需要的各工作优先级的仓库工作人员人数,得到目标时间段的实际用工需求;
508、根据实际用工需求和预配置人员,计算目标时间段的缺口人数;
509、根据用工数据,从所有仓库工作人员中筛选与缺口人数相同数量的仓库工作人员,得到用工预测信息。
本实施例在前实施例的基础上,详细描述了根据用工预测配置信息,计算目标时间段的订单需求量和根据订单需求量、用工配置预测信息和各仓库工作人员的工作优先级,生成仓库人员调度策略,并在目标时间段根据仓库人员调度策略进行人员调度的过程,通过本方法,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
上面对本发明实施例提供的仓库用工预测方法进行了描述,下面对本发明实施例的仓库用工预测装置进行描述,请参阅图6,本发明实施例中仓库用工预测装置一个实施例包括:
获取模块601,用于实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;
订单预测模块602,用于根据所述历史订单数据,预测所述目标时间段的订单需求量;
第一计算模块603,用于根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;
第二计算模块604,用于根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
筛选模块605,用于根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
本发明实施例中,所述仓库用工预测装置运行上述仓库用工预测方法,该装置过实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;根据所述历史订单数据,预测所述目标时间段的订单需求量;根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。通过本方案,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
请参阅图7,本发明实施例提供的仓库用工预测装置的第二个实施例包括:
获取模块601,用于实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;
订单预测模块602,用于根据所述历史订单数据,预测所述目标时间段的订单需求量;
第一计算模块603,用于根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;
第二计算模块604,用于根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
筛选模块605,用于根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
可选的,所述订单预测模块602根据所述历史订单数据和所述历史订单数据对应的时间长度,计算日均处理订单量;根据所述日均处理订单量和所述目标时间段的时间长度,计算所述目标时间段的基础订单量;判断所述目标时间段是否为预设的活动时间;若是,则根据所述基础订单量和预设的加权系数计算所述目标时间段的订单需求量;若否,则将所述基础订单量作为所述目标时间段的订单需求量。
其中,所述第一计算模块603包括:系数计算单元6031,用于根据所述用工数据计算各仓库工作人员的人员系数;优先级分类单元6032,用于根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;需求确定单元6033,用于根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
可选的,所述用工数据包括员工年龄、历史用工工时、处理订单数量和岗位等级系数;所述系数计算单元6031具体用于:将所述员工年龄乘以所述历史用工工时,得到人员经验系数;将所述处理订单数量除以所述历史用工工时,得到人员能效系数;将所述人员经验系数乘以所述人员能效系数得到人员综合系数;将所述人员经验系数、所述人员能效系数、所述人员综合系数和所述岗位等级系数作为对应的仓库工作人员的人员系数。
可选的,所述优先级分类单元6032具体用于:根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心,其中,K为大于2的整数;根据所述聚类中心对应的仓库工作人员的人员系数,对所述聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;根据所述工作优先级,对所述聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级。
可选的,所述优先级分类单元6032具体还用于:设定聚类个数为K个,并从所有仓库工作人员的人员系数中随机选取K个人员系数作为初始聚类中心;分别计算所有仓库工作人员的人员系数到每一个初始聚类中心的余弦距离;将与初始聚类中心的余弦距离在预设阈值内的人员系数划分为同一类别,得到第一聚类结果;计算所述类别中人员系数的均值向量,并根据所述均值向量重新选择当前聚类中心,以及计算所述当前聚类中心与对应的初始聚类中心的余弦距离;若所述当前聚类中心与对应的初始聚类中心的余弦距离小于或等于预设阈值,则将所述第一聚类结果输出;若所述当前聚类中心与对应的初始聚类中心的余弦距离大于预设阈值,则以当前聚类中心进行重新聚类,直到当前聚类中心与上一聚类中心的余弦距离小于或等于预设阈值,得到第二聚类结果。
可选的,所述需求确定单元6033具体用于:根据所有所述仓库工作人员的人员能效系数和所有仓库工作人员的人数,计算人均能效系数;根据所述人均能效系数和所述订单需求量,计算所述目标时间段所需的仓库工作人员;根据各工作优先级的仓库工作人员的人数和所述目标时间段所需的仓库工作人员确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
本实施例在上一实施例的基础上,增加了功能模块的单元结构,通过这些单元结构,仓库能够对目标时间段所需要的工作人员进行预测,便于人员安排,实现人员调度,保证仓库工作的顺利进行。
上面图6和图7从模块化功能实体的角度对本发明实施例中的仓库用工预测装置进行详细描述,下面从硬件处理的角度对本发明实施例的仓库用工预测设备进行详细描述。
图8是本发明实施例提供的一种仓库用工预测设备的结构示意图,该仓库用工预测设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对仓库用工预测设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在仓库用工预测设备800上执行存储介质830中的一系列指令操作,以实现上述仓库用工预测方法的步骤。
仓库用工预测设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的仓库用工预测设备结构并不构成对本申请提供的仓库用工预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述仓库用工预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种仓库用工预测方法,其特征在于,所述仓库用工预测方法包括:
实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;
根据所述历史订单数据,预测所述目标时间段的订单需求量;
根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;
根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
2.根据权利要求1所述的仓库用工预测方法,其特征在于,所述根据所述历史订单数据,预测所述目标时间段的订单需求量包括:
根据所述历史订单数据和所述历史订单数据对应的时间长度,计算日均处理订单量;
根据所述日均处理订单量和所述目标时间段的时间长度,计算所述目标时间段的基础订单量;
判断所述目标时间段是否为预设的活动时间;
若是,则根据所述基础订单量和预设的加权系数计算所述目标时间段的订单需求量;
若否,则将所述基础订单量作为所述目标时间段的订单需求量。
3.根据权利要求2所述的仓库用工预测方法,其特征在于,所述根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求包括:
根据所述用工数据计算各仓库工作人员的人员系数;
根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级;
根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
4.根据权利要求3所述的仓库用工预测方法,其特征在于,所述用工数据包括员工年龄、历史用工工时、处理订单数量和岗位等级系数;
所述根据所述用工数据计算各仓库工作人员的人员系数包括:
将所述员工年龄乘以所述历史用工工时,得到人员经验系数;
将所述处理订单数量除以所述历史用工工时,得到人员能效系数;
将所述人员经验系数乘以所述人员能效系数得到人员综合系数;
将所述人员经验系数、所述人员能效系数、所述人员综合系数和所述岗位等级系数作为对应的仓库工作人员的人员系数。
5.根据权利要求4所述的仓库用工预测方法,其特征在于,所述根据所述人员系数对各仓库工作人员进行优先级分类,得到各仓库工作人员的工作优先级包括:
根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心,其中,K为大于2的整数;
根据所述聚类中心对应的仓库工作人员的人员系数,对所述聚类中心进行工作优先级排序,得到K个聚类中心对应的工作优先级;
根据所述工作优先级,对所述聚类中心对应的类别的仓库工作人员进行工作优先级分配,得到各仓库工作人员的工作优先级。
6.根据权利要求5所述的仓库用工预测方法,其特征在于,所述根据K均值聚类算法对所有仓库工作人员的人员系数进行聚类,得到所有仓库工作人员对应的K个类别以及所述类别对应的聚类中心包括:
设定聚类个数为K个,并从所有仓库工作人员的人员系数中随机选取K个人员系数作为初始聚类中心;
分别计算所有仓库工作人员的人员系数到每一个初始聚类中心的余弦距离;
将与初始聚类中心的余弦距离在预设阈值内的人员系数划分为同一类别,得到第一聚类结果;
计算所述类别中人员系数的均值向量,并根据所述均值向量重新选择当前聚类中心,以及计算所述当前聚类中心与对应的初始聚类中心的余弦距离;
若所述当前聚类中心与对应的初始聚类中心的余弦距离小于或等于预设阈值,则将所述第一聚类结果输出;
若所述当前聚类中心与对应的初始聚类中心的余弦距离大于预设阈值,则以当前聚类中心进行重新聚类,直到当前聚类中心与上一聚类中心的余弦距离小于或等于预设阈值,得到第二聚类结果。
7.根据权利要求4所述的仓库用工预测方法,其特征在于,所述根据所述订单需求量确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求包括:
根据所有所述仓库工作人员的人员能效系数和所有仓库工作人员的人数,计算人均能效系数;
根据所述人均能效系数和所述订单需求量,计算所述目标时间段所需的仓库工作人员;
根据各工作优先级的仓库工作人员的人数和所述目标时间段所需的仓库工作人员确定所述目标时间段需要的各工作优先级的仓库工作人员人数,得到所述目标时间段的实际用工需求。
8.一种仓库用工预测装置,其特征在于,所述仓库用工预测装置包括:
获取模块,用于实时接收用工预测请求,并根据所述用工预测请求从预设的数据库中获取历史订单数据、用工配置预测信息和仓库工作人员的用工数据,其中,所述用工预测请求包括待预测的目标时间段,所述用工配置预测信息包括预配置人员;
订单预测模块,用于根据所述历史订单数据,预测所述目标时间段的订单需求量;
第一计算模块,用于根据所述订单需求量、所述用工配置预测信息和所述用工数据,计算实际用工需求;
第二计算模块,用于根据所述实际用工需求和所述预配置人员,计算所述目标时间段的缺口人数;
筛选模块,用于根据所述用工数据,从所有仓库工作人员中筛选与所述缺口人数相同数量的仓库工作人员,得到用工预测信息。
9.一种仓库用工预测设备,其特征在于,所述仓库用工预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述仓库用工预测设备执行如权利要求1-7中任一项所述的仓库用工预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的仓库用工预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393291.5A CN113191533A (zh) | 2021-04-13 | 2021-04-13 | 仓库用工预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393291.5A CN113191533A (zh) | 2021-04-13 | 2021-04-13 | 仓库用工预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191533A true CN113191533A (zh) | 2021-07-30 |
Family
ID=76975589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110393291.5A Pending CN113191533A (zh) | 2021-04-13 | 2021-04-13 | 仓库用工预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191533A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869611A (zh) * | 2021-11-05 | 2021-12-31 | 平安科技(深圳)有限公司 | 数据预测曲线的生成方法、装置、计算机设备及存储介质 |
CN117314243A (zh) * | 2023-09-28 | 2023-12-29 | 北京工商大学 | 一种基于聚类分析进行作业人员效率评价方法 |
-
2021
- 2021-04-13 CN CN202110393291.5A patent/CN113191533A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869611A (zh) * | 2021-11-05 | 2021-12-31 | 平安科技(深圳)有限公司 | 数据预测曲线的生成方法、装置、计算机设备及存储介质 |
CN117314243A (zh) * | 2023-09-28 | 2023-12-29 | 北京工商大学 | 一种基于聚类分析进行作业人员效率评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sha et al. | Using data mining for due date assignment in a dynamic job shop environment | |
CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
US20150363226A1 (en) | Run time estimation system optimization | |
CN112328399A (zh) | 一种集群资源调度方法、装置、计算机设备及存储介质 | |
Erdogan et al. | Selecting the best strategy for industry 4.0 applications with a case study | |
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
CN112579273B (zh) | 任务调度方法及装置、计算机可读存储介质 | |
US20140136260A1 (en) | System and method for operational quality aware staffing requirements in service systems | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN115794341A (zh) | 基于人工智能的任务调度方法、装置、设备及存储介质 | |
CN113420902A (zh) | 件量预测模型训练方法、件量预测方法及相关设备 | |
CN115423450A (zh) | 排班数据的处理方法、装置和计算机设备 | |
CN116909751B (zh) | 一种云计算系统中的资源分配方法 | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN115310366A (zh) | 一种基于随机优化模型评估机场公布容量的方法 | |
Kanwal et al. | An attribute weight estimation using particle swarm optimization and machine learning approaches for customer churn prediction | |
CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及系统 | |
Baldwa et al. | A combined simulation and machine learning approach for real-time delay prediction for waitlisted neurosurgery candidates | |
CN112514352A (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
CN104778636B (zh) | 船舶装备维修保障信息服务推荐方法 | |
Li et al. | Learning to bundle proactively for on-demand meal delivery | |
CN112884391A (zh) | 收派件规划方法、装置、电子设备及存储介质 | |
Zaabar et al. | A two-phase part family formation model to optimize resource planning: a case study in the electronics industry | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
US20230325736A1 (en) | System and method for allocating multi-functional resources |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |